An overview of time series point and interval forecasting based on similarity of trajectories, with an experimental study on traffic flow forecasting
基于轨迹相似性的时间序列点预测与区间预测综述及交通流实验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接综述时间序列点预测与区间预测方法，交通流是其比较实验的应用对象。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于轨迹相似性的时间序列点预测与区间预测综述及交通流实验
- 研究问题
- 如何依据历史轨迹的相似性形成时间序列点预测和区间预测，轨迹选择、距离度量及预测组合方式会如何影响表现？
- 方法与思路
- 作者整理轨迹相似性预测框架，讨论调参、异常值与距离度量，提出选择及组合方式的变体，并在加州交通流数据上比较模型。
- 材料陈述的贡献
- 摘要称统一介绍相关方法并提出新变体，将点预测扩展至区间预测，与 ARIMA、随机森林及其他区间预测方法开展实验比较。
- 阅读关注点
- 应核对轨迹匹配是否使用未来信息、调参与测试集的分离、各模型的公平比较，以及预测区间覆盖率与宽度的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未报告比较结果或覆盖保证，不能据此断定轨迹方法更优。
原文摘要
The purpose of this paper is to give an overview of the time series forecasting problem based on similarity of trajectories. Various methodologies are introduced and studied, and detailed discussions on hyperparameter optimization, outlier handling and distance measures are provided. The suggested new approaches involve variations in both the selection of similar trajectories and assembling the candidate forecasts. After forming a general framework, an experimental study is conducted to compare the methods that use similar trajectories along with some other standard models (such as ARIMA and Random Forest) from the literature. Lastly, the forecasting setting is extended to interval forecasts, and the prediction intervals resulting from the similar trajectories approach are compared with the existing models from the literature, such as historical simulation and quantile regression. Throughout the paper, the experimentations and comparisons are conducted via the time series of traffic flow from the California PEMS dataset.